保護(hù)隱私，法律之外還需要“以毒攻毒”

上至國家、下至普羅大眾，”未來是AI時代“已經(jīng)成為了一個共識。經(jīng)過這幾年的發(fā)展，AI已經(jīng)走下神壇，從一個深奧的話題演變的更為貼近民生。與此同時，人們也享受到了AI所帶來的便利。而這其中，最大的功臣之一就是數(shù)據(jù)。

有了數(shù)據(jù)，算法能夠在不斷的訓(xùn)練中提升精準(zhǔn)性；有了數(shù)據(jù)，算法才能針對性的面向用戶提供服務(wù)，而不是成為一個雞肋；有了數(shù)據(jù)，人們所設(shè)想和期待的萬物智聯(lián)才會成為現(xiàn)實(shí)……可以說，數(shù)據(jù)是智能化實(shí)現(xiàn)的動力。

圍繞智能化趨勢所帶來的數(shù)據(jù)隱私安全以及是否被濫用問題，諸多國家正在從法律層面進(jìn)行完善，除了前面提到的歐盟GDPR，我國也于去年5月份正式實(shí)施《信息安全技術(shù)個人信息安全規(guī)范》，要求平臺在收集個人敏感信息時，平臺應(yīng)征得用戶的明示同意，并區(qū)分核心功能和附加功能，以打破”一攬子授權(quán)“的難題……

理性的來說，健全的法律只是利用一種合法的手段為人們提供一個武器，對收集數(shù)據(jù)的公司起到一個震懾的作用，但并不能完全消除人們對于數(shù)據(jù)隱私被收集和利用的擔(dān)憂。而基于這股擔(dān)憂，用戶也將在一定程度上”不信任“公司基于數(shù)據(jù)而提供的服務(wù)，久而久之，用戶與公司之間必然將產(chǎn)生裂縫，這并不是后者所愿意見到的。

為了避免這種情況的發(fā)生，越來越多的公司開始關(guān)注起”數(shù)據(jù)隱私“這一以往被忽略的問題。比如谷歌，在日前舉辦的I／O大會上全程不忘提及他們在隱私保護(hù)上做出的努力。

目前，為了讓用戶對數(shù)據(jù)隱私放心，企業(yè)的解決方案分為兩大方向，一個側(cè)重于數(shù)據(jù)收集的源頭，另一個則將重點(diǎn)放在數(shù)據(jù)收集之后的保護(hù)：

數(shù)據(jù)脫敏

前面也提到，為了達(dá)到個性化服務(wù)、精準(zhǔn)營銷等服務(wù)，數(shù)據(jù)被收集是一個必然的事實(shí)，只是需要注意的是，并不是所有數(shù)據(jù)都要被收集。在這方面，部分企業(yè)選擇收集那些非敏感數(shù)據(jù)，即脫敏數(shù)據(jù)。

這一過程中，當(dāng)涉及客戶安全數(shù)據(jù)或者一些商業(yè)性敏感數(shù)據(jù)的情況，在不違反系統(tǒng)規(guī)則條件下，企業(yè)會通過脫敏規(guī)則對數(shù)據(jù)進(jìn)行改造，剔除身份證、手機(jī)號、卡號、年齡、性別等個人敏感信息。

目前，“數(shù)據(jù)脫敏”這一方法被大多數(shù)企業(yè)所采用，區(qū)別只在于具體方式不一樣。經(jīng)過脫敏處理后，留下則是結(jié)構(gòu)化數(shù)據(jù)，不存在過于隱私的問題。一般而言，基于脫敏數(shù)據(jù)而形成的用戶畫像是不完整的，做不到特別精準(zhǔn)的個性化推薦、服務(wù)，但是對于一些商業(yè)目的而言，這些已經(jīng)足夠。

與此同時，從數(shù)據(jù)智能化的流程上講，收集脫敏數(shù)據(jù)意味著用戶的敏感信息從最初就被剔除在外，相當(dāng)于從源頭即開始保護(hù)用戶的數(shù)據(jù)隱私，從而保證了數(shù)據(jù)隱私的安全性。

邊緣計(jì)算

自去年開始，邊緣計(jì)算就一直被業(yè)界所推崇，而在探討其優(yōu)勢的時候，“提高數(shù)據(jù)的安全性與可靠性”這一點(diǎn)必定在列。

在邊緣計(jì)算被提出之前，終端設(shè)備在云計(jì)算模式下需要將所收集的用戶數(shù)據(jù)上傳至數(shù)據(jù)中心，也就是所謂的云端，某些時候常常造成數(shù)據(jù)擁堵的現(xiàn)場，而更需要提高警惕的是，這些數(shù)據(jù)極有可能在上傳過程中，亦或是在終端服務(wù)器內(nèi)遭到泄漏。

不同于云計(jì)算的操作模式，邊緣計(jì)算將包含用戶隱私的數(shù)據(jù)放在邊緣節(jié)點(diǎn)，以進(jìn)行保存和處理分析，相對提高數(shù)據(jù)的安全性。

另外，因?yàn)槭菍��?shù)據(jù)放在邊緣節(jié)點(diǎn)，邊緣計(jì)算的數(shù)據(jù)隱私避免了長途跋涉的過程，在縮減數(shù)據(jù)上傳時間、躲開數(shù)據(jù)擁堵的同時，也提升了設(shè)備的響應(yīng)速度。

聯(lián)邦學(xué)習(xí)

邊緣計(jì)算之后，近期出現(xiàn)了又一個針對數(shù)據(jù)隱私保護(hù)的新概念，即“聯(lián)邦學(xué)習(xí)”。

“聯(lián)邦學(xué)習(xí)就像一個安全的道路網(wǎng)絡(luò)，可以既滿足人工智能的訓(xùn)練要求，又保障我們的個人隱私不被濫用，因?yàn)檫@個道路網(wǎng)絡(luò)上跑的是無法還原到原始數(shù)據(jù)的加密信息�！眲�(chuàng)新工場南京國際人工智能研究院執(zhí)行院長馮霽表示。

以學(xué)生的個性化教育為例，圍繞該學(xué)生的所有數(shù)據(jù)被分散化的，這并不利于最佳模型的訓(xùn)練。同時，若將數(shù)據(jù)在不進(jìn)行加密或不在安全標(biāo)準(zhǔn)下進(jìn)行跨地域、跨數(shù)據(jù)源的聚合和交換，企業(yè)也無法在所有不同數(shù)據(jù)源上訓(xùn)練最能反應(yīng)該學(xué)生學(xué)歷歷程的AI模型，也需要承擔(dān)極大的數(shù)據(jù)隱私風(fēng)險(xiǎn)。

而借助聯(lián)邦學(xué)習(xí)，業(yè)界可以建立一個安全的共享機(jī)制，不需要交換原始隱私數(shù)據(jù)，企業(yè)只需要在加密的數(shù)據(jù)上進(jìn)行聚合訓(xùn)練，就可以得出完整反映學(xué)生情況的AI模型，并基于該模型為學(xué)生針對性的定制學(xué)習(xí)計(jì)劃。

聯(lián)邦學(xué)習(xí)的這種做法，相當(dāng)于在原始數(shù)據(jù)外圍增加了一把鎖頭，并進(jìn)行模糊化處理等二次加工。

在智能化時代，數(shù)據(jù)就是新的生產(chǎn)力，兩者之間相互扶持，一榮俱榮、一損俱損。沒有數(shù)據(jù)的支撐，智能化也只能停留在淺層表面，相比于它真正所能夠提供的價值，停留在表面的智能化只能算是碌碌一生。

若要得到數(shù)據(jù)的支撐，那么安全性則是一個始終都繞不開的話題。只有安全性得到保障，用戶才會信任算法、信任服務(wù)，繼而才會使用它，并向提供服務(wù)方進(jìn)行反饋，形成一個良性循環(huán)。